[发明专利]一种基于模糊神经网络的脉象信号分类方法和装置

权利要求书

1.一种基于模糊神经网络的脉象信号分类方法，其特征在于，包括步骤：

确定模糊神经网络模型；

对模糊神经网络进行聚类处理；

对聚类处理后的模糊神经网络进行优化。

2.根据权利要求1所述的方法，其特征在于，所述的模糊神经网络包括五层：

层1：输入层代表输入变量，这一层没有计算，每一个结点对应一个输入变量，仅直接传送输入变量到下一层，层1的连接权值是单位值；

层2：模糊化层，每一个结点对应一个语言标识到层1的一个输入变量，在层2中计算；

层3：规则前置层，这一层的结点代表了规则的前置部分；

层4：规则后继层，第四层神经元代表输出变量的模糊量化；这层结点有两个任务：综合进入的规则前继和决定他们属于输出语言表示程度；

层5：模糊综合层，第五层代表模糊输出综合的结果，输出变量可以是模糊综合的可信度结果。

3.根据权利要求2所述的方法，其特征在于，所述模糊神经网络聚类采用模糊C均值聚类算法FCM，用于对输入变量数据进行模糊论域的确定：

FCM把n个向量x_i(i＝1,2,…,n)分为C个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小；FCM采用模糊划分，使得每个给定数据点用值在0和1间的隶属度来确定其属于各个组的程度；与引入模糊划分相适应，隶属矩阵U允许有取值在0和1间的元素，进行归一化后一个数据集的隶属度的和总等于1：

Σi=1cuij=1,∀j=1,...,n]]>

相应FCM的价值函数(或目标函数)就是上式的一般化形式：

J(U,c1,...,cc)=Σi=1cJi=Σi=1cΣj=1nuijmdij2]]>

这里u_ij介于0和1间；c_i为模糊组i的聚类中心，d_ij＝||c_i-x_j||为第i个聚类中心与第j个数据点间的欧几里德距离；m∈[1,∞)是一个加权指数；

构造如下新的目标函数，可求得使上式达到最小值的必要条件：

J‾(U,c1,...,cc,λ1,...,λn)=J(U,c1,...,cc)+Σj=1nλj(Σi=1cuij-1)=Σi=1cΣjnuijmdij2+Σj=1nλj(Σi=1cuij-1)]]>

这里λ_j,j＝1到n，是式的n个约束使的拉各朗日乘子。对所有输入参量求导，使式达到最小的必要条件为：

ci=Σj=1nuijmxjΣj=1nuijm]]>和uij=1Σk=1c(dijdkj)2/(m-1)]]>

由上述两个必要条件，模糊C均值聚类算法是一个简单的迭代过程。